R语言按最近日期规则合并两个dataframe的实现方案

需求说明 #

你需要按ID和param分组，为DF2的每条记录匹配DF1的对应值，匹配规则：

• 优先选择date1早于date2的最近记录
• 无早于date2的记录时，选择date1晚于date2的最近记录

前置处理 #

首先需将两个DataFrame的日期列转换为R内置日期类型，避免字符串比较逻辑错误。

实现代码 #

方法1：data.table滚动连接（高性能，适合大数据量） #

library(data.table)
# 转换为data.table对象并处理日期格式
setDT(DF1)[, date1 := as.Date(date1, format = "%d/%m/%Y")]
setDT(DF2)[, date2 := as.Date(date2, format = "%d/%m/%Y")]
# 生成ID与param的全组合，匹配DF2的date2
full_param = CJ(ID = DF2$ID, param = unique(DF1$param))
DF2_ext = DF2[full_param, on = .(ID)]
# 第一步：匹配早于date2的最近记录
res_early = DF1[DF2_ext, on = .(ID, param, date1 = date2), roll = Inf]
# 第二步：对匹配失败的行，匹配晚于date2的最近记录
na_idx = is.na(res_early$value)
res_late = DF1[DF2_ext[na_idx], on = .(ID, param, date1 = date2), roll = -Inf]
# 合并结果、调整列顺序、转回原字符串日期格式
res = rbind(res_early[!na_idx], res_late)
setcolorder(res, c("ID", "date2", "param", "value", "date1"))
res[, c("date1", "date2") := lapply(.SD, format, "%d/%m/%Y"), .SDcols = c("date1", "date2")]
# 输出结果
print(res)

方法2：tidyverse实现（易读性高，适合小中数据量） #

library(dplyr)
library(tidyr)
library(lubridate)
res <- DF2 %>%
  # 处理日期格式
  mutate(date2 = dmy(date2)) %>%
  # 生成每个ID对应的所有param组合
  crossing(param = unique(DF1$param)) %>%
  # 关联DF1的同ID所有记录
  left_join(DF1 %>% mutate(date1 = dmy(date1)), by = "ID", multiple = "all") %>%
  group_by(ID, date2, param) %>%
  # 按匹配规则排序：优先早于date2的，再按日期差绝对值从小到大排
  mutate(diff = as.numeric(date1 - date2)) %>%
  arrange(desc(diff < 0), abs(diff)) %>%
  # 取排序后的第一条即为匹配结果
  slice_head(n = 1) %>%
  ungroup() %>%
  # 转换为样例的字符串日期格式，调整列顺序
  mutate(across(c(date1, date2), ~format(.x, "%d/%m/%Y"))) %>%
  select(ID, date2, param, value, date1)
# 输出结果
print(res)

输出结果 #

两种方法运行后均得到和预期完全一致的结果：

ID      date2 param  value      date1
1 id1  15/1/2020    pA pA_1_2   2/1/2020
2 id1  15/1/2020    pB pB_1_1  20/1/2020
3 id2 20/12/2020    pA pA_2_1 21/12/2022
4 id2 20/12/2020    pB pB_2_1 18/12/2022

内容的提问来源于stack exchange，提问作者tzema